Oxygen vacancies modulated VO2 for neurons and Spiking Neural Network construction

人工神经元器件是神经形态计算系统的基本构建模块，这些系统受到真实大脑仿真的激励。为了实现这些应用，已经提出了各种设备概念来模拟神经元的动态和功能。然而，到目前为止，具有高效率、高稳定性和低功耗的人工神经元器件仍远未实际应用。由于特殊的绝缘体-金属相变，氧化钒（VO2）被认为是制造神经元器件的理想候选材料。然而，它的固有绝缘状态要求VO2神经元器件在大偏压下工作，导致高功耗和低频率。因此，在当前研究中，我们通过制备氧空位调制的VO2薄膜（VO2-x）并制造VO2-x神经元器件用于构建尖峰神经网络（SNNs）来解决这一挑战。结果表明，神经元器件可以在较低电压下运行，并具有改进的处理速度。使用MNIST数据集训练的基于VO2-x的反向传播SNNs（BP-SNNs）系统在图像识别方面表现出色。我们的研究不仅展示了基于VO2-x的神经元和SNN系统的实际应用，而且通过缺陷工程策略提供了优化未来神经形态计算系统的有效途径。

论文旨在解决神经元设备在实际应用中功耗高、频率低等问题，提出了一种基于氧空位调控的VO2薄膜神经元器件方案。

通过调控VO2薄膜中的氧空位，降低了神经元设备的工作电压和功耗，提高了处理速度，实现了基于VO2-x的反向传播SNNs系统，取得了良好的图像识别准确率。

实验采用了MNIST数据集，证明了VO2-x神经元器件在图像识别中的有效性。该研究提供了一种通过缺陷工程策略优化神经形态计算系统的有效途径。

近期相关研究包括“Memristive Devices for Artificial Intelligence Applications”、“Neuromorphic Computing with Multi-Memristive Synapses”等。